LibTV 平台正式上线 HappyHorse 1.0 模型，依托 150 亿参数的统一架构，该模型在应用端首次打通视频画面与高保真音频的联合生成链路，重构传统影视后期的配音与拟音工作流。
HappyHorse 1.0 模型架构与 Benchmark 数据
- 底层架构：采用约 150 亿参数的 40 层单流自注意力 Transformer（Sandwich 架构）。文本、图像、视频及音频 Token 在同一序列中进行联合去噪，无独立交叉注意力模块。
- 评测排名：在 Artificial Analysis Video Arena 盲测中，无音频 T2V（Elo 1333）与无音频 I2V（Elo 1392）类别位列第一，纯视觉表现超越 Seedance 2.0 及 Kling 3.0。
- 视觉输出规格：原生支持 1080p 视频生成，单次生成时长覆盖 5-15 秒，主要突破点在于原生景深物理与电影级光影质感。
原生音频合成（Native Audio Generation）参数
- 单次前向传递：摒弃传统视频模型“先画后音”的双管线后处理模式。模型在同一次前向传递（Forward pass）中同步输出画面、角色对白、环境音及拟音（Foley）。
- 音素级对齐：支持中、英、粤、日、韩、德、法 7 种语言的音素级（Phoneme-level）唇形同步。据披露数据，其词错率（WER）指标为 14.60%。
LibTV 平台的工程化与工作流融合
- 节点式调度：结合 LibTV “无限画布”的底层交互，HappyHorse 1.0 的长序列与多模态生成能力被转化为结构化节点。创作者可在同一画布内完成视觉生成与音轨控制的同步调整。
- Agent 直连：LibTV 底层架构支持“小龙虾”（OpenClaw）等 Personal Agent 调用。允许用户通过自然语言下发包含镜号与声场要求的复合指令，由 Agent 自主编排并调用 HappyHorse 1.0 完成成片。